Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/6706
Título : Detecção de formação de gaiolas no Alto-forno 2.
Autor : Vieira, Matheus Augusto Santos
Castro, Douglas Vinícius Ferreira de
Rodrigues, Davidson Estole
metadata.dc.contributor.advisor: Leite, Harlei Miguel de Arruda
metadata.dc.contributor.referee: Leite, Harlei Miguel de Arruda
Silva, Thiago Augusto de Oliveira
Aguiar, Pericles Guimarães Oliveira
Palabras clave : Altos-fornos
Inteligência artificial
Redes neurais - computação
Siderurgia
Sistemas de reconhecimento de padrões
Fecha de publicación : 2024
Citación : VIEIRA, Matheus Augusto Santos; CASTRO, Douglas Vinícius Ferreira de; RODRIGUES, Davidson Estole. Detecção de formação de gaiolas no alto-forno 2. 2024. 30 f. Monografia (Especialização em Ciência de Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.
Resumen : Redes neurais são modelos computacionais inspirados no funcionamento do cérebro humano. Compostas por unidades chamadas neurônios artificiais, essas redes são capazes de aprender padrões e realizar tarefas complexas, como reconhecimento de padrões, classificação e previsão. Esse trabalho tem como objetivo criar uma ferramenta capaz de detectar a formação de gaiolas no Alto-forno 2 da Aperam através da identificação e compreensão das principais variáveis do processo e definição da técnica mais eficaz para lidar com elas. Nos altos-fornos, que são reatores responsáveis pela produção do ferro gusa, problemas como entupimentos, obstruções e reduções da velocidade de descida de carga podem ter impactos significativos na eficiência operacional e na produção de ferro gusa. Manter o alto forno em operação contínua e minimizar interrupções é crucial para o processo metalúrgico. Através da utilização da Rede Neural Convolucional (CNN) capaz de realizar o reconhecimento de padrões auxiliando na resolução de problemas sistêmicos do processo foi possível construir um modelo que retira a subjetividade operacional da detecção das gaiolas na produção de gusa. Assim, para o objetivo de criação de um modelo capaz de detectar a formação das gaiolas, através da utilização do modelo de CNN, foi obtido uma acurácia de aproximadamente 90%, suficiente para o problema tratado.
metadata.dc.description.abstracten: Neural networks are computational models inspired by the functioning of the human brain. Composed by units called artificial neurons, these networks can learn patterns and perform complex tasks, such as pattern recognition, classification, and prediction. This work aims to create a tool capable of detecting the formation of cages in Blast Furnace 2 at Aperam by identifying and understanding the key process variables and defining the most effective technique to deal with them. In blast furnaces, which are reactors responsible for pig iron production, issues such as blockages, obstructions, and reductions in the descent rate of the burden can have significant impacts on operational efficiency and pig iron production. Maintaining continuous blast furnace operation and minimizing interruptions is crucial for the metallurgical process. Through the use of Convolutional Neural Network (CNN) capable of pattern recognition to assist in resolving systemic process issues, it was possible to build a model that removes operational subjectivity from cage detection in pig iron production. Thus, for the purpose of creating a model capable of detecting cage formation, using the CNN model achieved an accuracy of approximately 90%, sufficient for the addressed problem.
URI : http://www.monografias.ufop.br/handle/35400000/6706
metadata.dc.rights.license: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Aparece en las colecciones: Especialização - Ciência dos Dados

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_DetecçãoFormaçãoGaiolas.pdf4,27 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.